Python中的pandas模塊進行數據分析

接下來pandas介紹中將學習到如下8塊內容：
1、數據結構簡介：DataFrame和Series
2、數據索引index
3、利用pandas查詢數據
4、利用pandas的DataFrames進行統計分析
5、利用pandas實現SQL操作
6、利用pandas進行缺失值的處理
7、利用pandas實現Excel的數據透視表功能
8、多層索引的使用

 

一、數據結構介紹

在pandas中有兩類非常重要的數據結構，即序列Series和數據框DataFrame。Series類似於numpy中的一維數組，除了通吃一維數組可用的函數或方法，而且其可通過索引標簽的方式獲取數據，還具有索引的自動對齊功能；DataFrame類似於numpy中的二維數組，同樣可以通用numpy數組的函數和方法，而且還具有其他靈活應用，后續會介紹到。

1、Series的創建

序列的創建主要有三種方式：

1）通過一維數組創建序列

1. import numpy as np, pandas as pd
2. arr1 = np.arange(10)
3. arr1
4. type(arr1)
6. s1 = pd.Series(arr1)
7. s1
8. type(s1)

2）通過字典的方式創建序列

1. dic1 = {'a':10,'b':20,'c':30,'d':40,'e':50}
2. dic1
3. type(dic1)
5. s2 = pd.Series(dic1)
6. s2
7. type(s2)

3）通過DataFrame中的某一行或某一列創建序列

這部分內容我們放在后面講，因為下面就開始將DataFrame的創建。

2、DataFrame的創建

數據框的創建主要有三種方式：

1）通過二維數組創建數據框

1. arr2 = np.array(np.arange(12)).reshape(4,3)
2. arr2
3. type(arr2)
5. df1 = pd.DataFrame(arr2)
6. df1
7. type(df1)

2）通過字典的方式創建數據框

以下以兩種字典來創建數據框，一個是字典列表，一個是嵌套字典。

1. dic2 = {'a':[1,2,3,4],'b':[5,6,7,8],
2. 'c':[9,10,11,12],'d':[13,14,15,16]}
3. dic2
4. type(dic2)
6. df2 = pd.DataFrame(dic2)
7. df2
8. type(df2)
10. dic3 = {'one':{'a':1,'b':2,'c':3,'d':4},
11. 'two':{'a':5,'b':6,'c':7,'d':8},
12. 'three':{'a':9,'b':10,'c':11,'d':12}}
13. dic3
14. type(dic3)
16. df3 = pd.DataFrame(dic3)
17. df3
18. type(df3)

3）通過數據框的方式創建數據框

1. df4 = df3[['one','three']]
2. df4
3. type(df4)
5. s3 = df3['one']
6. s3
7. type(s3)

二、數據索引index

細致的朋友可能會發現一個現象，不論是序列也好，還是數據框也好，對象的最左邊總有一個非原始數據對象，這個是什么呢？不錯，就是我們接下來要介紹的索引。
在我看來，序列或數據框的索引有兩大用處，一個是通過索引值或索引標簽獲取目標數據，另一個是通過索引，可以使序列或數據框的計算、操作實現自動化對齊，下面我們就來看看這兩個功能的應用。

1、通過索引值或索引標簽獲取數據

1. s4 = pd.Series(np.array([1,1,2,3,5,8]))
2. s4

如果不給序列一個指定的索引值，則序列自動生成一個從0開始的自增索引。可以通過index查看序列的索引：

1. s4.index

現在我們為序列設定一個自定義的索引值：

1. s4.index = ['a','b','c','d','e','f']
2. s4

序列有了索引，就可以通過索引值或索引標簽進行數據的獲取：

1. s4[3]
2. s4['e']
3. s4[[1,3,5]]
4. s4[['a','b','d','f']]
5. s4[:4]
6. s4['c':]
7. s4['b':'e']

千萬注意：如果通過索引標簽獲取數據的話，末端標簽所對應的值是可以返回的！在一維數組中，就無法通過索引標簽獲取數據，這也是序列不同於一維數組的一個方面。

2、自動化對齊

如果有兩個序列，需要對這兩個序列進行算術運算，這時索引的存在就體現的它的價值了—自動化對齊.

1. s5 = pd.Series(np.array([10,15,20,30,55,80]),
2. index = ['a','b','c','d','e','f'])
3. s5
4. s6 = pd.Series(np.array([12,11,13,15,14,16]),
5. index = ['a','c','g','b','d','f'])
6. s6
8. s5 + s6
9. s5/s6

由於s5中沒有對應的g索引，s6中沒有對應的e索引，所以數據的運算會產生兩個缺失值NaN。注意，這里的算術結果就實現了兩個序列索引的自動對齊，而非簡單的將兩個序列加總或相除。對於數據框的對齊，不僅僅是行索引的自動對齊，同時也會自動對齊列索引（變量名）

數據框中同樣有索引，而且數據框是二維數組的推廣，所以其不僅有行索引，而且還存在列索引，關於數據框中的索引相比於序列的應用要強大的多，這部分內容將放在數據查詢中講解。

三、利用pandas查詢數據

這里的查詢數據相當於R語言里的subset功能，可以通過布爾索引有針對的選取原數據的子集、指定行、指定列等。我們先導入一個student數據集：

1. student = pd.io.parsers.read_csv('C:\\Users\\admin\\Desktop\\student.csv')

查詢數據的前5行或末尾5行

1. student.head()
2. student.tail()

查詢指定的行

1. student.ix[[0,2,4,5,7]] #這里的ix索引標簽函數必須是中括號[]

查詢指定的列

1. student[['Name','Height','Weight']].head() #如果多個列的話，必須使用雙重中括號

也可以通過ix索引標簽查詢指定的列

1. student.ix[:,['Name','Height','Weight']].head()

查詢指定的行和列

1. student.ix[[0,2,4,5,7],['Name','Height','Weight']].head()

以上是從行或列的角度查詢數據的子集，現在我們來看看如何通過布爾索引實現數據的子集查詢。
查詢所有女生的信息

1. student[student['Sex']=='F']

查詢出所有12歲以上的女生信息

1. student[(student['Sex']=='F') & (student['Age']>12)]

查詢出所有12歲以上的女生姓名、身高和體重

1. student[(student['Sex']=='F') & (student['Age']>12)][['Name','Height','Weight']]

上面的查詢邏輯其實非常的簡單，需要注意的是，如果是多個條件的查詢，必須在&（且）或者|（或）的兩端條件用括號括起來。

     四、統計分析

pandas模塊為我們提供了非常多的描述性統計分析的指標函數，如總和、均值、最小值、最大值等，我們來具體看看這些函數：
首先隨機生成三組數據

1. np.random.seed(1234)
2. d1 = pd.Series(2*np.random.normal(size = 100)+3)
3. d2 = np.random.f(2,4,size = 100)
4. d3 = np.random.randint(1,100,size = 100)
6. d1.count() #非空元素計算
7. d1.min() #最小值
8. d1.max() #最大值
9. d1.idxmin() #最小值的位置，類似於R中的which.min函數
10. d1.idxmax() #最大值的位置，類似於R中的which.max函數
11. d1.quantile(0.1) #10%分位數
12. d1.sum() #求和
13. d1.mean() #均值
14. d1.median() #中位數
15. d1.mode() #眾數
16. d1.var() #方差
17. d1.std() #標准差
18. d1.mad() #平均絕對偏差
19. d1.skew() #偏度
20. d1.kurt() #峰度
21. d1.describe() #一次性輸出多個描述性統計指標

必須注意的是，descirbe方法只能針對序列或數據框，一維數組是沒有這個方法的

這里自定義一個函數，將這些統計描述指標全部匯總到一起:

1. def stats(x):
2. return pd.Series([x.count(),x.min(),x.idxmin(),
3. x.quantile(.25),x.median(),
4. x.quantile(.75),x.mean(),
5. x.max(),x.idxmax(),
6. x.mad(),x.var(),
7. x.std(),x.skew(),x.kurt()],
8. index = ['Count','Min','Whicn_Min',
9. 'Q1','Median','Q3','Mean',
10. 'Max','Which_Max','Mad',
11. 'Var','Std','Skew','Kurt'])
12. stats(d1)

在實際的工作中，我們可能需要處理的是一系列的數值型數據框，如何將這個函數應用到數據框中的每一列呢？可以使用apply函數，這個非常類似於R中的apply的應用方法。
將之前創建的d1,d2,d3數據構建數據框:

1. df = pd.DataFrame(np.array([d1,d2,d3]).T,columns=['x1','x2','x3'])
2. df.head()
3. df.apply(stats)

非常完美，就這樣很簡單的創建了數值型數據的統計性描述。如果是離散型數據呢？就不能用這個統計口徑了，我們需要統計離散變量的觀測數、唯一值個數、眾數水平及個數。你只需要使用describe方法就可以實現這樣的統計了。

1. student['Sex'].describe()

除以上的簡單描述性統計之外，還提供了連續變量的相關系數（corr）和協方差矩陣（cov）的求解，這個跟R語言是一致的用法。

1. df.corr()

關於相關系數的計算可以調用pearson方法或kendell方法或spearman方法，默認使用pearson方法。

1. df.corr('spearman')

如果只想關注某一個變量與其余變量的相關系數的話，可以使用corrwith,如下方只關心x1與其余變量的相關系數:

1. df.corrwith(df['x1'])

數值型變量間的協方差矩陣

df.cov()

五、類似於SQL的操作

在SQL中常見的操作主要是增、刪、改、查幾個動作，那么pandas能否實現對數據的這幾項操作呢？答案是Of Course!

增：添加新行或增加新列

1. In [99]: dic = {'Name':['LiuShunxiang','Zhangshan'],
2. ...: 'Sex':['M','F'],'Age':[27,23],
3. ...: 'Height':[165.7,167.2],'Weight':[61,63]}
5. In [100]: student2 = pd.DataFrame(dic)
7. In [101]: student2
8. Out[101]:
9. Age Height Name Sex Weight
10. 0 27 165.7 LiuShunxiang M 61
11. 1 23 167.2 Zhangshan F 63

現在將student2中的數據新增到student中，可以通過concat函數實現：

 

注意到了嗎？在數據庫中union必須要求兩張表的列順序一致，而這里concat函數可以自動對齊兩個數據框的變量！

新增列的話，其實在pandas中就更簡單了，例如在student2中新增一列學生成績：

 

對於新增的列沒有賦值，就會出現空NaN的形式。

刪：刪除表、觀測行或變量列

刪除數據框student2,通過del命令實現，該命令可以刪除Python的所有對象。

 

刪除指定的行

 

原數據中的第1,2,4,7行的數據已經被刪除了。
根據布爾索引刪除行數據，其實這個刪除就是保留刪除條件的反面數據，例如刪除所有14歲以下的學生：

 

刪除指定的列

 

我們發現，不論是刪除行還是刪除列，都可以通過drop方法實現，只需要設定好刪除的軸即可，即調整drop方法中的axis參數。默認該參數為0，表示刪除行觀測，如果需要刪除列變量，則需設置為1。

改：修改原始記錄的值

如果發現表中的某些數據錯誤了，如何更改原來的值呢？我們試試結合布爾索引和賦值的方法：
例如發現student3中姓名為Liushunxiang的學生身高錯了，應該是173，如何改呢？

 

這樣就可以把原來的身高修改為現在的170了。
看，關於索引的操作非常靈活、方便吧，就這樣輕松搞定數據的更改。

查：有關數據查詢部分，上面已經介紹過，下面重點講講聚合、排序和多表連接操作。

聚合：pandas模塊中可以通過groupby()函數實現數據的聚合操作

根據性別分組，計算各組別中學生身高和體重的平均值：

 

如果不對原始數據作限制的話，聚合函數會自動選擇數值型數據進行聚合計算。如果不想對年齡計算平均值的話，就需要剔除改變量：

 

groupby還可以使用多個分組變量，例如根本年齡和性別分組，計算身高與體重的平均值：

 

當然，還可以對每個分組計算多個統計量：

 

是不是很簡單，只需一句就能完成SQL中的SELECT…FROM…GROUP BY…功能，何樂而不為呢？

排序：

排序在日常的統計分析中還是比較常見的操作，我們可以使用order、sort_index和sort_values實現序列和數據框的排序工作：

 

我們再試試降序排序的設置：

 

上面兩個結果其實都是按值排序，並且結果中都給出了警告信息，即建議使用sort_values()函數進行按值排序。

在數據框中一般都是按值排序，例如：

 

多表連接:

多表之間的連接也是非常常見的數據庫操作，連接分內連接和外連接，在數據庫語言中通過join關鍵字實現，pandas我比較建議使用merger函數實現數據的各種連接操作。
如下是構造一張學生的成績表：

 

現在想把學生表student與學生成績表score做一個關聯，該如何操作呢？

 

注意，默認情況下，merge函數實現的是兩個表之間的內連接，即返回兩張表中共同部分的數據。可以通過how參數設置連接的方式，left為左連接；right為右連接；outer為外連接。

 

左連接實現的是保留student表中的所有信息，同時將score表的信息與之配對，能配多少配多少，對於沒有配對上的Name，將會顯示成績為NaN。

六、缺失值處理

 

現實生活中的數據是非常雜亂的，其中缺失值也是非常常見的，對於缺失值的存在可能會影響到后期的數據分析或挖掘工作，那么我們該如何處理這些缺失值呢？常用的有三大類方法，即刪除法、填補法和插值法。
刪除法：當數據中的某個變量大部分值都是缺失值，可以考慮刪除改變量；當缺失值是隨機分布的，且缺失的數量並不是很多是，也可以刪除這些缺失的觀測。
替補法：對於連續型變量，如果變量的分布近似或就是正態分布的話，可以用均值替代那些缺失值；如果變量是有偏的，可以使用中位數來代替那些缺失值；對於離散型變量，我們一般用眾數去替換那些存在缺失的觀測。
插補法：插補法是基於蒙特卡洛模擬法，結合線性模型、廣義線性模型、決策樹等方法計算出來的預測值替換缺失值。

我們這里就介紹簡單的刪除法和替補法：

這是一組含有缺失值的序列，我們可以結合sum函數和isnull函數來檢測數據中含有多少缺失值：

1. In [130]: sum(pd.isnull(s))
2. Out[130]: 9

直接刪除缺失值

默認情況下，dropna會刪除任何含有缺失值的行，我們再構造一個數據框試試：

返回結果表明，數據中只要含有缺失值NaN,該數據行就會被刪除，如果使用參數how=’all’，則表明只刪除所有行為缺失值的觀測。

使用一個常量來填補缺失值，可以使用fillna函數實現簡單的填補工作：
1）用0填補所有缺失值

2)采用前項填充或后向填充

3)使用常量填充不同的列

4)用均值或中位數填充各自的列

很顯然，在使用填充法時，相對於常數填充或前項、后項填充，使用各列的眾數、均值或中位數填充要更加合理一點，這也是工作中常用的一個快捷手段。

七、數據透視表

在Excel中有一個非常強大的功能就是數據透視表，通過托拉拽的方式可以迅速的查看數據的聚合情況，這里的聚合可以是計數、求和、均值、標准差等。
pandas為我們提供了非常強大的函數pivot_table()，該函數就是實現數據透視表功能的。對於上面所說的一些聚合函數，可以通過參數aggfunc設定。我們先看看這個函數的語法和參數吧：

1. pivot_table(data,values=None,
2. index=None,
3. columns=None,
4. aggfunc='mean',
5. fill_value=None,
6. margins=False,
7. dropna=True,
8. margins_name='All')
9. data：需要進行數據透視表操作的數據框
10. values：指定需要聚合的字段
11. index：指定某些原始變量作為行索引
12. columns：指定哪些離散的分組變量
13. aggfunc：指定相應的聚合函數
14. fill_value：使用一個常數替代缺失值，默認不替換
15. margins：是否進行行或列的匯總，默認不匯總
16. dropna：默認所有觀測為缺失的列
17. margins_name：默認行匯總或列匯總的名稱為'All'

我們仍然以student表為例，來認識一下數據透視表pivot_table函數的用法：
對一個分組變量（Sex），一個數值變量（Height）作統計匯總

對一個分組變量（Sex），兩個數值變量（Height,Weight）作統計匯總

對兩個分組變量（Sex，Age)，兩個數值變量（Height,Weight）作統計匯總

很顯然這樣的結果並不像Excel中預期的那樣，該如何變成列聯表的形式的？很簡單，只需將結果進行非堆疊操作（unstack）即可：

看，這樣的結果是不是比上面那種看起來更舒服一點？

使用多個聚合函數

有關更多數據透視表的操作，可參考《Pandas透視表（pivot_table）詳解》一文，鏈接地址：http://python.jobbole.com/81212/

八、多層索引的使用

最后我們再來講講pandas中的一個重要功能，那就是多層索引。在序列中它可以實現在一個軸上擁有多個索引，就類似於Excel中常見的這種形式：

對於這樣的數據格式有什么好處呢？pandas可以幫我們實現用低維度形式處理高維數數據，這里舉個例子也許你就能明白了：

對於這種多層次索引的序列，取數據就顯得非常簡單了：

對於這種多層次索引的序列，我們還可以非常方便的將其轉換為數據框的形式：

以上針對的是序列的多層次索引，數據框也同樣有多層次的索引，而且每條軸上都可以有這樣的索引，就類似於Excel中常見的這種形式：

我們不妨構造一個類似的高維數據框：

同樣，數據框中的多層索引也可以非常便捷的取出大塊數據：

在數據框中使用多層索引，可以將整個數據集控制在二維表結構中，這對於數據重塑和基於分組的操作（如數據透視表的生成）比較有幫助。
就拿student二維數據框為例，我們構造一個多層索引數據集：

講到這里，我們關於pandas模塊的學習基本完成，其實在掌握了pandas這8個主要的應用方法就可以靈活的解決很多工作中的數據處理、統計分析等任務。有關更多的pandas介紹，可參考pandas官方文檔。原文鏈接：http://www.cnblogs.com/nxld/p/6058591.html